Modeling home property listings’ time-on-market duration and listing outcome using copula-based competing risk method
Notice bibliographique
Résumé
Modeling housing market dynamics is an important component of land use and transport interaction (LUTI) models, particularly for microsimulation models and how they handle the market clearance mechanism. However, most of these models include key assumptions not derived or validated through empirical testing, such as when and what action a seller would take if a property could not be sold within an expected time. However, these are key decision elements of the housing market clearance process. To fill this research gap, this study uses real estate sale listing data to investigate the factors influencing a property listing’s time-on-market (TOM) duration, listing outcome, and correlation. A copula-based structure is developed to jointly estimate the TOM and listing outcome through a competing hazard duration model and a nested logit model. The results show statistically significant and positive correlations between the TOM of terminated listings and termination choices (i.e., whether the terminated listing will be withdrawn from the market, converted to a lease, or re-listed as a sale). This implies that the unobserved factors that may increase a seller’s probability of terminating a listing would decrease its TOM duration until the termination. It is also found that an increase in the asking price of a property listing can significantly increase its TOM duration and probability of being terminated. The copula-based joint model can be integrated into a LUTI microsimulation framework to parameterize the maximum TOM duration of each simulated property for sale in the housing market, improving its market-clearing process to represent real-world behavior better.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,002 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».